Um projeto de inteligência artificial geralmente se inicia com a definição do modelo, contudo, Jean Pierre Lessa Ferreira, CTO e especialista em tecnologia, software e inteligência artificial, observa que diversas iniciativas enfrentam obstáculos em uma etapa anterior e menos perceptível: a falta de clareza sobre a responsabilidade pelos dados que alimentam a solução.
Trata-se de uma situação frequente em empresas de diferentes portes. A base de clientes é atualizada por três áreas distintas, cada uma com critérios específicos. Foi desenvolvida uma tabela destinada a relatórios críticos por um profissional que já ocupou outro cargo. É importante ressaltar que um campo essencial para o modelo apresenta significados diferentes em sistemas distintos. Em momentos de incerteza, não há a quem se dirigir para obter orientação.
A falta de responsabilidade, também conhecida como falta de ownership dos dados, geralmente não está presente nos planos de projeto, mas se manifesta em atrasos, resultados pouco confiáveis e retrabalho. A seguir, você entenderá por que os dados sem dono afetam especialmente a inteligência artificial aplicada, quais sinais indicam o problema e como estruturar a responsabilidade sobre as informações.
A inteligência artificial como reveladora de problemas estruturais
Sistemas tradicionais convivem com dados imperfeitos, e as pessoas que os usam aprendem a contornar as inconsistências. Elas sabem que determinados campos costumam vir vazio, que uma região registra datas em outro formato ou que certos cadastros estão duplicados. Esse conhecimento informal compensa as falhas da base.
Um modelo de inteligência artificial, por sua vez, não está dotado de tal capacidade. Como explica o diretor de tecnologia, Jean Pierre Lessa Ferreira, o modelo aprende exatamente o que os dados mostram, incluindo erros, lacunas e distorções. Caso os dados de origem apresentem inconsistências, as projeções, as classificações e as respostas geradas também serão afetadas, frequentemente exibindo uma aparência de precisão.
A situação fica pior ainda em combinações de modelos de linguagem e informações internas. Quando a IA usa informações erradas para produzir respostas bem redigidas, o problema só é percebido quando os usuários recebem essas informações.
Os sinais de que os dados estão sem dono
A falta de responsabilidade sobre os dados se manifesta de várias formas no dia a dia das equipes. Alguns sinais aparecem com frequência:
- Números diferentes para a mesma pergunta: áreas distintas apresentam valores divergentes para indicadores como faturamento, clientes ativos ou estoque, porque cada uma usa uma fonte ou um critério próprio.
- Definições ambíguas: termos como “cliente ativo” ou “pedido concluído” são interpretados de maneiras diferentes, sem uma referência oficial que encerre a discussão.
- Correções que não se mantêm: erros identificados em uma base são corrigidos pontualmente, mas voltam a aparecer porque ninguém atua na origem do problema.
- Tabelas órfãs: bases criadas para projetos antigos continuam sendo usadas sem documentação, sem atualização e sem alguém que saiba explicar sua lógica.
- Acessos sem critério: ninguém consegue afirmar com segurança quem pode consultar ou alterar determinada informação, o que cria riscos de segurança e de conformidade com a LGPD.
- Projetos de IA presos na preparação: equipes técnicas passam a maior parte do tempo limpando, conciliando e investigando dados, em vez de desenvolver e avaliar modelos.
Conforme destacado por Jean Pierre Lessa Ferreira, especialista em software e inteligência artificial, o custo acumulado desses sinais é um ponto a ser considerado. Cada divergência consome horas de investigação, cada correção pontual adia a solução real e cada projeto de inteligência artificial depende de um esforço de preparação que se repete a cada nova iniciativa.
A definição de papéis e responsabilidades na governança de dados
O primeiro passo é definir os responsáveis pelos conjuntos de dados mais relevantes. O responsável, geralmente um profissional da área de negócio com conhecimento aprofundado sobre o valor da informação, responde pelas definições, pelos critérios de qualidade e pelas regras de acesso. A equipe de tecnologia, por sua vez, é responsável pela infraestrutura, integração e segurança técnica.
Para Jean Pierre Lessa Ferreira, CTO, essa divisão funciona melhor quando acompanhada de acordos explícitos. Catálogos de dados registram origem, significado, responsável e frequência de atualização de cada base. Contratos de dados definem o formato e a qualidade que cada fonte deve entregar.
O monitoramento complementa essa infraestrutura. Verificações automáticas de qualidade, tais como alertas para campos vazios, valores fora do padrão ou atrasos na atualização, permitem identificar problemas antes que cheguem aos modelos. Jean Pierre Lessa Ferreira, diretor de tecnologia, destaca que as plataformas de dados em nuvem facilitam esse acompanhamento ao centralizar informações, permissões e registros de uso.
Governança de dados como pré-requisito da IA
Por fim, para Jean Pierre Lessa Ferreira, diretor de tecnologia, a qualidade de uma solução de inteligência artificial depende diretamente da clareza quanto à identificação das partes responsáveis por cada informação utilizada pela solução. Modelos sofisticados treinados com dados sem dono tendem a reproduzir, em escala, as inconsistências que antes eram contornadas manualmente.
A estruturação da responsabilidade sobre os dados demanda um esforço inicial substancial, pois envolve acordos entre áreas, documentação e mudanças de rotina. Esse investimento, contudo, é aproveitado em todos os projetos subsequentes, reduzindo o tempo de preparação e aumentando a confiança nos resultados.
Empresas que tratam a governança de dados como etapa preliminar da inteligência artificial alcançam modelos mais confiáveis, decisões mais ágeis e menor risco de descobrir, após a implantação, que a solução foi construída com base em informações que não são mais acompanhadas.
